Millised on omadused PDF-idega töötamisel (rast- vs vektorpildid)?

PDF failid võivad sisaldada nii raster- kui ka vektordata, mis oluliselt mõjutab nende dokumentide töötlemist ja analüüsi.

• Raster PDF-id koosnevad piltidest (näiteks skannitud leheküljed). Need koosnevad pikslitest, mis muudab teksti otse välja võtmise keeruliseks. Selliste PDF-idega töötamisel kasutatakse sageli OCR-i (optiline märgi tuvastus), et pilt muudetaks tekstiks.

• Vektori PDF-id sisaldavad objektide kirjeldusi (tekst, jooned, kujundid) matemaatiliste primitiivide kujul. Sellistes dokumentides saab teksti otse välja võtta, mis lihtsustab analüüsi ja töötlemist.

Töö omadused:

• Raster PDF-id nõuavad eelnevat töötlemist (näiteks pildi kvaliteedi parandamist), et suurendada OCR-i täpsust.
• Vektori PDF-id võimaldavad teksti ja dokumendi struktuuri välja võtmist ilma kvaliteedi kaota.
• Segatud PDF-ide puhul (raster- ja vektorelementide kombinatsioon) tuleb lähenemisviise kombineerida.

Näide: raster PDF-st teksti väljavõtmiseks kasutatakse Tesseract OCR-i, vektori jaoks aga raamatukogusid nagu PDFBox või PyPDF2.